metaflow.org

建模：使用任何 Python 库进行模型和业务逻辑。Metaflow 帮助在本地和云端管理库。

部署：使用单个命令将工作流部署到生产环境,并与周围系统无缝集成。

版本控制：Metaflow 自动跟踪和存储流程内的变量,以便于实验跟踪和调试。

编排：使用纯 Python 创建健壮的工作流。在本地开发和调试,无需更改即可部署到生产环境。

计算：利用云端执行大规模函数。根据需要使用 GPU、多核心和大内存。

数据：从数据仓库访问数据。Metaflow 在步骤之间传递数据,并对一切进行版本控制。

使用 Metaflow 开发：使用笔记本探索,使用 Metaflow 开发,并在本地进行测试和调试。结果会自动存储和跟踪,以便于分析。

扩展到云端：超越笔记本或单个笔记本的局限性。轻松扩展到云端,利用 GPU、多核心和多个并行实例。Metaflow 组织工作,以便于协作。

自信地部署到生产环境：无需更改代码即可将实验部署到生产环境。使工作流自动响应数据更新和其他事件。

带来您自己的云：在笔记本电脑上轻松开始。准备好扩展时,在您的云帐户或内部 Kubernetes 集群上部署 Metaflow 堆栈。Metaflow 与您现有的基础设施、安全性和数据治理策略无缝集成。

在 Netflix 经受考验：Metaflow 最初是在 Netflix 开发的,以满足开发人员和数据科学家在现实生活中进行 ML、AI 和数据项目的需求。

实时动态卡片：使用实时更新的卡片构建可观察的 ML/AI 系统。

包含任何 PyPI 软件包：在 Metaflow 步骤中安装来自 PyPI 和 Conda 的依赖项。

安全访问密钥：使用新的 @secrets 装饰器安全地连接到外部服务。

使用 Metaflow 构建反应式生产系统：Metaflow 2.9 允许您根据实时事件触发工作流。

使用 Metaflow 快速加载和处理表格数据：Apache Arrow 和 Metaflow.S3 使数据处理变得更加简单。

使用 Metaflow 训练大型语言模型：了解如何将 Metaflow 用于需要 GPU 的任务。

Metaflow 支持 Apache Airflow：使用 Metaflow 开发,部署在您现有的 Apache Airflow 服务器上。

Metaflow 在 Google Cloud 上：在 GCP 和所有其他主要云上部署和运行 Metaflow。

Metaflow 在 Azure 上：在 Microsoft Azure 上部署和运行 Metaflow。